KR102591491B1 - 기계학습 기반 전력 설비 부분방전 발생 판별 시스템 및 방법 - Google Patents

기계학습 기반 전력 설비 부분방전 발생 판별 시스템 및 방법 Download PDF

Info

Publication number
KR102591491B1
KR102591491B1 KR1020210055123A KR20210055123A KR102591491B1 KR 102591491 B1 KR102591491 B1 KR 102591491B1 KR 1020210055123 A KR1020210055123 A KR 1020210055123A KR 20210055123 A KR20210055123 A KR 20210055123A KR 102591491 B1 KR102591491 B1 KR 102591491B1
Authority
KR
South Korea
Prior art keywords
partial discharge
machine learning
power equipment
cluster
similarity
Prior art date
Application number
KR1020210055123A
Other languages
English (en)
Other versions
KR20220147955A (ko
Inventor
정준영
이성호
전홍대
박정환
김진석
박성철
Original Assignee
한전케이디엔주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한전케이디엔주식회사 filed Critical 한전케이디엔주식회사
Priority to KR1020210055123A priority Critical patent/KR102591491B1/ko
Publication of KR20220147955A publication Critical patent/KR20220147955A/ko
Application granted granted Critical
Publication of KR102591491B1 publication Critical patent/KR102591491B1/ko

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 시스템은 부분방전이 발생할 수 있는 배전 전력설비; 상기 전력설비에 설치되어 해당 전력설비에서 발생되는 부분방전을 감지하는 부분방전 감지센서; 상기 부분방전 감지센서가 감지한 부분방전 데이터를 수신하여, 해당 부분방전이 상기 전력설비에서 발생한 것인지 전력 케이블을 통해 전파되어 온 것인지 판별하는 부분방전 판별서버;를 포함하여 부분 방전 데이터 취득부터 판단 결과 도출까지 자동화하여 처리되는 시스템을 통해 전력 설비마다 소요될 수 있는 장치 취득 및 설치 비용, 인건비 등의 비용을 절감하고 장치 오류 발생 가능성을 줄일 수 있는 효과가 있다.

Description

기계학습 기반 전력 설비 부분방전 발생 판별 시스템 및 방법{SYSTEM AND METHOD FOR DETECTING GENERATION PARTIAL DISCHARGE OF POWER EQUIPMENT BASED ON MACHINE LEARNING}
본 발명은 기계학습 기반 전력 설비 부분방전 발생 판별 시스템에 관한 것으로써, 더욱 상세하게는 기계학습을 기반으로 하여 부분 방전이 발생한 배전 전력 설비를 추정하고, 부분 방전이 본 설비에서 발생된 것인지 전력 케이블을 통해 전파되어 온 것인지 자동으로 판별할 수 있는 기계학습 기반 전력 설비 부분방전 발생 판별 시스템에 관한 것이다.
종래에도 부분 방전 발생위치를 추정하는 장치로, 부분 방전 신호 감지부, 해석부 등을 포함하는 부분 방전 검출위치를 통한 위치 방전 위치 추정 장치, 부분 방전 신호을 전파 거리에 따른 신호의 세기가 감쇠되는 현상을 이용해 위치를 추정하는 부분 방전 신호의 전파 감쇠를 이용한 장치, 또는 부분 방전 센서에 방전신호가 계측되는 시간의 시간차를 이용해 위치를 추정하는 부분 방전 신호의 도착 시간차를 이용한 장치가 있지만, 이러한 종래 부분 방전 발생위치 판별 장치들은 전문 인력에 의해 설치되기 때문에 고비용이 발생하는 문제점, 장치 오류로 인한 방전 위치 추정 오류가 발생하는 문제점, 신호 전파 중 신호의 감쇠 또는 변형으로 방전 위치에 대한 신뢰도 떨어지는 문제점, 전력 설비의 실제 설치 위치와 이론상의 위치의 차이로 인한 도착 시간 오차 발생으로 방전 위치의 신뢰도가 떨어지는 문제점, 및 부분 방전 발생 후, 빠른 진단 및 대처가 어렵다는 문제점이 있다.
대한민국 등록특허공보 제10-1843792호(2018.03.26)
상술한 바와 같은 문제점들을 해결하기 위해, 본 발명은 PRPD(Phase Resolved Partial Discharge:위상분해 부분방전) 및 PD(Partial Discharge:부분방전) 신호 크기, PD 신호 취득 시간 등 부분 방전 데이터를 각 배전 전력 설비에 설치된 센서를 통해 취득하고, 각 전력 설비에서 취득한 부분 방전 데이터를 기계 학습 모델 및 판별 알고리즘을 통해 분석된 결과를 통해 부분방전 발생 설비 및 부분 방전 유입 설비를 판단할 수 있는 기계학습 기반 전력 설비 부분방전 발생 판별 시스템을 제공하는데 목적이 있다.
상술한 목적을 달성하기 위한 본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 시스템은 부분방전이 발생할 수 있는 배전 전력설비; 상기 전력설비에 설치되어 해당 전력설비에서 발생되는 부분방전을 감지하는 부분방전 감지센서; 상기 부분방전 감지센서가 감지한 부분방전 데이터를 수신하여, 해당 부분방전이 상기 전력설비에서 발생한 것인지 전력 케이블을 통해 전파되어 온 것인지 판별하는 부분방전 판별서버;를 포함하되, 상기 부분방전 판별 서버는 상기 부분방전 감지센서로부터 상기 전력설비의 부분방전 데이터를 수신하는 통신 인터페이스; 상기 부분방전 데이터를 이미지 데이터로 변환하고, 코사인 유사도를 산출하는 주제어부; 상기 이미지 데이터에서 복수의 특징 정보를 추출하는 특징 정보 추출부; 상기 코사인 유사도가 1에 가깝게 도출되는 이미지들을 같은 비교 군집으로 분류하는 비교 군집 형성부; 특정 군집에서 각 이미지들의 벡터 값을 통해 평균제곱오차(MES:Mean Square Error)와 구조적 유사도(SSIM:Structural Similarity Index)를 산출하여 군집 내 이미지들의 유사도를 검증하는 군집 유사도 검증부; 및 상기 주제어부가 산출한 코사인 유사도에 따라 상기 군집 유사도 검증부에 의해 검증된 이미지의 각 군집 내에서 부분 방전이 발생한 설비와 배전 케이블을 통해 부분 방전이 유입된 설비를 판별하는 부분 방전 발생원 판별부; 를 포함하는 것을 특징으로 한다.
본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 시스템은 부분 방전 데이터 취득부터 판단 결과 도출까지 자동화하여 처리되는 시스템을 통해 전력 설비마다 소요될 수 있는 장치 취득 및 설치 비용, 인건비 등의 비용을 절감하고 장치 오류 발생 가능성을 줄일 수 있는 효과가 있다.
또한, 본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 시스템은 부분 방전 발생 직후, 부분 방전이 발생한 설비에 대한 판단 결과를 도출하는 시스템을 통해 부분 방전에 대한 빠른 진단과 대처가 가능한 효과가 있다.
도 1은 본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 시스템 도면이다.
도 2는 본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 시스템의 상세 블록도 이다.
도 3은 본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 시스템의 특징 정보 추출부가 CNN 모델로 특징점을 찾는 것을 설명하기 위한 도면이다.
도 4은 본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 시스템의 비교 군집 형성부가 비교 군집으로 분류하는 것을 설명하기 위한 도면이다.
도 5은 본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 시스템의 군집 유사도 검증부가 평균제곱오차와 구조적 유사도로 이미지 유사정도를 검증하는 것을 설명하기 위한 도면이다.
도 6은 본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 시스템의 비교 군집 형성부가 이미지를 재분류하는 것을 설명하기 위한 도면이다.
도 7은 본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 시스템의 부분 방전 발생원 판별부가 부분방전 데이터 신호 크기와 부분방전 데이터 신호 취득 시간을 기준으로 부분방전의 발생원과 유입원을 분류하는 것을 설명하기 위한 도면이다.
도 8은 본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 방법의 플로우차트이다.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정하여 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가 장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 시스템에 대해 설명한다.
도 1은 본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 시스템 도면이다.
도 1에 도시된 바와 같이 본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 시스템은 전력설비(100), 부분방전 감지센서(200), 및 부분방전 판별서버(300)를 포함한다.
상기 전력설비(100)는 잦은 부분방전이 발생할 수 있는 개폐기, 변압기 등과 같은 배전 전력 설비에 해당될 수 있다.
상기 부분방전 감지센서(200)는 상술한 바와 같은 개폐기, 변압기 등과 같은 전력설비(100)에 설치되어 해당 전력설비(100)에서 발생되는 부분방전을 감지한다.
상기 부분방전은 절연물 표면에서 고전계에 의한 부분적인 표면 방전, 전기적 트리(tree)에서의 내부방전, 절연물 내부에 형성된 공극이나 기포에 발생하는 내부 방전, 또는 코로나 방전 등이 있을 수 있다.
좀더 구체적으로, 본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 시스템의 상기 부분방전 판별서버(300)는 도 2에 도시된 바와 같이 주제어부(310), 특징 정보 추출부(320), 비교 군집 형성부(330), 군집 유사도 검증부(340), 부분 방전 발생원 판별부(350), 및 통신 인터페이스(360)을 포함한다.
상기 통신 인터페이스(360)는 복수의 전력설비(100)들에 각각 구비된 통신부(110)와 유무선으로 통신하면서 상기 전력설비(100)에 형성된 상기 방전센서(200)들이 감지한 부부방전 데이터를 수신한다.
즉, 상기 통신 인터페이스(360)가 수신하는 상기 전력설비(100)에 대한 부분방전 데이터는 PRPD 데이터, PD 신호 크기 데이터, 및 PD 신호 취득 시간 데이터 등을 포함한다.
한편, 상기 주제어부(310)는 상기 통신 인터페이스(360)가 수신하는 부분방전 데이터를 도 3a에 도시된 바와 같이 이미지 데이터로 변환하며, 변환된 이미지 데이터를 상기 특징 정보 추출부(320)에 전달한다.
상기 특징 정보 추출부(320)는 상기 주제어부(310)로부터 수신한 이미지 데이터를 인공신경망 알고리즘을 통해 학습시킨다.
특히, 상기 특징 정보 추출부(320)는 도 3b에 도시된 바와 같이 특징 추출 및 특징 강조를 위해, 컨볼루션 레이어(Convolutional Layer) 및 풀링 레이어(Pooling Layer)가 반복하여 구성되며, 해당 컨볼루션 레이어 및 풀링 레이어의 수와 크기는 모델 학습 오류율을 줄일 수 있도록 결정된다.
상기 특징 정보 추출부(320)는 기계학습을 통해 복수의 상기 컨볼루션 레이어 및 풀링 레이어로 구성된 CNN(Convolutional Neural Network) 모델을 통해 PRPD 이미지 데이터에 대한 N개의 특징 정보를 추출한다.
상기 주제어부(310)는 상기 특징 정보 추출부(320)에 의해 PRPD 이미지 데이터로부터 추출한 N개의 특징 정보를 담은 한 개의 벡터로 간주하여 각 이미지에 해당되는 벡터 값을 통해 코사인 유사도를 아래의 [수학식 1]을 통해 산출한다.
전력설비 A, B의 유사도를 측정하고자 할 때, 상기 [수학식 1]에서 A는 전력설비 A의 PRPD 이미지의 벡터이고, B는 전력설비 B의 PRPD 이미지의 벡터이며, Ai는 전력 설비 A의 PRPD 이미지 벡터의 i 번째 벡터이며, Bi는 전력 설비 B의 PRPD 이미지 벡터의 i 번째 벡터이다.
상기 비교 군집 형성부(330)는 상기 주제어부(310)가 산출한 코사인 유사도가 1에 가깝게 도출되는 이미지들을 도 4b에 도시된 바와 같이 비교 군집으로 분류한다.
상기 코사인 유사도는 두 벡터간 코사인 각도를 이용하여 계산될 수 있는 두 벡터의 유사도를 의미하는데, 상기 비교 군집 형성부(330)는 상기 코사인 유사도 값이 -1에 가까울수록 서로 상이한 벡터이고, 1에 가까울수록 유사한 벡터로 분류한다.
상기 군집 유사도 검증부(340)는 특정 군집에서 각 이미지들의 벡터 값을 통해 아래의 [수학식 2]로 평균제곱오차(MES:Mean Square Error) 값을 산출한다.,
상기 [수학식 2]에서 C(m, n)와 R(m, n)는 m×n 크기를 가지는 C와 R 이미지의 각 벡터 값이다.
또한, 상기 군집 유사도 검증부(340)는 아래의 [수학식 3]으로 구조적 유사도(SSIM:Structural Similarity Index) 값을 산출한다.
상기 [수학식 3]에서 μx는 x벡터의 평균값 μy는 y벡터의 평균값, σx는 x벡터의 분산값, σy는 y벡터의 평균값, σxy는 x벡터와 y벡터의 공분산 값이다.
c1은 (k1*L)2이고 여기서 k1은 0.01이 기본 값이며, c2는 (k2*L)2이고 여기서 k2는 0.03이 기본 값이다.
L은 벡터의 변수형이 uint8_t로 정의되었으며, 0~255의 값이며, 기본값으로 255로 사용하고, 0~1범위로 표현된 값일 경우에 기본 값으로 1을 사용한다.
상기 군집 유사도 검증부(340)는 도 5에 도시된 바와 같이 상기 평균제곱오차(MES:Mean Square Error) 값이 높을수록, 상기 구조적 유사도(SSIM:Structural Similarity Index) 값이 낮을수록 유사하지 않은 이미지로 검증한다.
상기 군집 유사도 검증부(340)에 의해 유사하지 않은 이미지로 검증된 경우, 상기 주제어부(310)는 타 군집과의 코사인 유사도를 재측정한다.
상기 주제어부(310)에 의해 코사인 유사도를 재측정한 결과, 도 6에 도시된 바와 같이 타 군집과 코사인 유사도가 높게 측정될 경우, 상기 비교 군집 형성부(330)는 유사하지 않게 분류된 이미지와, 타 군집의 이미지를 유사한 이미지로 재분류한다.
상기 부분 방전 발생원 판별부(350)는 상기 주제어부(310)가 산출한 코사인 유사도에 따라 상기 군집 유사도 검증부(340)에 의해 분류된 이미지의 각 군집 내에서 부분 방전이 발생한 설비와 배전 케이블을 통해 부분 방전이 유입된 설비를 구분한다.
보다 구체적으로, 상기 부분 방전 발생원 판별부(350)는 도 7에 도시된 바와 같이 부분방전 감지센서(200)를 통해 취득된 부분방전 데이터 신호 크기와 부분방전 데이터 신호 취득 시간을 기준으로, 먼저 부분방전 데이터 신호 크기가 가장 크게 측정되어던 설비를 발생원으로 분류하고, 그 외의 설비에 대해서는 유입원으로 분류한다.
만약, 발생원을 판단하는데 있어서, 부분방전 데이터 신호 크기가 오차범위 내로 같게 나온 설비들의 경우, 상기 부분 방전 발생원 판별부(350)는 부분방전 데이터 신호 취득 시간이 더 과거인 설비를 발생원으로 분류한다.
상술하 바와 같은 구성을 갖는 본 발명에 따른 기계학습 기반 전력 설비 부분방전 발생 판별 시스템에 의한 부분방전 발생 판별 방법에 대해 도 8을 참고하여 설명한다.
복수의 상기 전력설비(100)들에 형성된 부분방전 감지센서(200)는 해당 전력설비(100)에서 발생되는 부분방전을 감지하는 단계를 수행한다(S100).
다음으로, 상기 부분방전 판별서버(300)의 통신 인터페이스(360)는 상기 방전센서(200)들이 감지한 부부방전 데이터를 수신하는 단계를 수행한다(S200).
상기 부분방전 판별서버(300)의 주제어부(310)는 상기 통신 인터페이스(360)가 수신하는 부분방전 데이터를 이미지 데이터로 변환하는 단계를 수행한다(S300).
상기 부분방전 판별서버(300)의 특징 정보 추출부(320)는 기계학습을 통해 복수의 상기 컨볼루션 레이어 및 풀링 레이어로 구성된 CNN(Convolutional Neural Network) 모델을 통해 이미지 데이터에 대한 N개의 특징 정보를 추출하는 단계를 수행한다(S400).
상기 주제어부(310)는 상기 특징 정보 추출부(320)가 이미지 데이터로부터 추출한 N개의 특징 정보를 담은 한 개의 벡터로 간주하여 각 이미지에 해당되는 벡터 값을 통해 코사인 유사도를 [수학식 1]을 통해 산출하는 단계를 수행한다(S500).
상기 비교 군집 형성부(330)는 상기 주제어부(310)가 산출한 코사인 유사도가 1에 가깝게 도출되는 이미지들을 비교 군집으로 분류하는 단계를 수행한다(S600).
상기 군집 유사도 검증부(340)는 특정 군집에서 각 이미지들의 벡터 값을 통해 평균제곱오차(MES:Mean Square Error) 값과 구조적 유사도(SSIM:Structural Similarity Index) 값을 산출하여 분류한 이미지들의 유사도를 검증하는 단계를 수행한다(S700).
상기 군집 유사도 검증부(340)의 검증결과 유사도가 유사하지 않으면, 상기 주제어부(310)는 타 비교 군집과의 코사인 유사도를 산출하여 분류하는 상기 S500단계 이후의 프로세서를 반복 수행한다(S800).
반면, 상기 군집 유사도 검증부(340)의 검증결과 유사도가 유사하면, 상기 부분방전 판별서버(300)의 부분 방전 발생원 판별부(350)가 부분방전 발생원을 판별하는 단계를 수행한다(S900).
이상에서는 본 발명에 대한 기술사상을 첨부 도면과 함께 서술하였지만 이는 본 발명의 바람직한 실시 예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다. 또한 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구나 본 발명의 기술적 사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.
100 : 전력설비
110 : 통신부
200 : 부분방전 감지센서
300 : 부분방전 판별서버
310 : 주제어부
320 : 특징 정보 추출부
330 : 비교 군집 형성부
340 : 군집 유사도 검증부
350 : 부분 방전 발생원 판별부
360 : 통신 인터페이스

Claims (11)

  1. 부분방전이 발생할 수 있는 배전 전력설비;
    상기 전력설비에 설치되어 해당 전력설비에서 발생되는 부분방전을 감지하는 부분방전 감지센서;
    상기 부분방전 감지센서가 감지한 부분방전 데이터를 수신하여, 해당 부분방전이 상기 전력설비에서 발생한 것인지 전력 케이블을 통해 전파되어 온 것인지 판별하는 부분방전 판별서버;를 포함하되,
    상기 부분방전 판별 서버는
    상기 부분방전 감지센서로부터 상기 전력설비의 부분방전 데이터를 수신하는 통신 인터페이스;
    상기 부분방전 데이터를 이미지 데이터로 변환하고, 코사인 유사도를 산출하는 주제어부;
    상기 이미지 데이터에서 복수의 특징 정보를 추출하는 특징 정보 추출부;
    상기 코사인 유사도가 1에 가깝게 도출되는 이미지들을 같은 비교 군집으로 분류하는 비교 군집 형성부;
    특정 군집에서 각 이미지들의 벡터 값을 통해 평균제곱오차(MES:Mean Square Error)와 구조적 유사도(SSIM:Structural Similarity Index)를 산출하여 군집 내 이미지들의 유사도를 검증하는 군집 유사도 검증부; 및
    상기 주제어부가 산출한 코사인 유사도에 따라 상기 군집 유사도 검증부에 의해 검증된 이미지의 각 군집 내에서 부분 방전이 발생한 설비와 배전 케이블을 통해 부분 방전이 유입된 설비를 판별하는 부분 방전 발생원 판별부; 를 포함하는 것을 특징으로 하는 기계학습 기반 전력 설비 부분방전 발생 판별 시스템.
  2. 삭제
  3. 제 1항에 있어서,
    상기 특징 정보 추출부는
    기계학습을 통해 복수의 컨볼루션 레이어 및 풀링 레이어로 구성된 CNN(Convolutional Neural Network) 모델을 통해 상기 이미지 데이터에 대한 복수의 특징 정보를 추출하는 것을 특징으로 하는 기계학습 기반 전력 설비 부분방전 발생 판별 시스템.
  4. 제 3항에 있어서,
    상기 주제어부는
    상기 특징 정보 추출부에 의해 이미지 데이터로부터 추출한 복수의 특징 정보를 담은 한 개의 벡터로 간주하고 각 이미지에 해당되는 벡터 값을 통해 코사인 유사도를 수학식
    로 산출하는 것을 특징으로 하는 기계학습 기반 전력 설비 부분방전 발생 판별 시스템.
  5. 제 3항에 있어서,
    상기 군집 유사도 검증부는
    상기 평균제곱오차(MES:Mean Square Error)를 수학식
    로 산출하되, 해당 수학식의 C(m, n)와 R(m, n)는 m×n 크기를 가지는 C와 R 이미지의 각 벡터 값인 것을 특징으로 하는 기계학습 기반 전력 설비 부분방전 발생 판별 시스템.
  6. 제 3항에 있어서,
    상기 군집 유사도 검증부는
    상기 구조적 유사도(SSIM:Structural Similarity Index)를 수학식 로 산출하되, 해당 수학식의 μx는 x벡터의 평균값 μy는 y벡터의 평균값, σx는 x벡터의 분산값,σy는 y벡터의 평균값, σxy는 x벡터와 y벡터의 공분산 값, c1은 (k1*L)2이고 k1은 0.01이 기본 값, c2는 (k2*L)2이고 k2는 0.03이 기본 값, L은 벡터의 변수형이 uint8_t로 정의된 경우, 0~255의 값이며, 255가 기본값, 0~1범위로 표현된 값일 경우 1이 기본 값인 것을 특징으로 하는 기계학습 기반 전력 설비 부분방전 발생 판별 시스템.
  7. 제 3항에 있어서,
    상기 군집 유사도 검증부는
    상기 평균제곱오차(MES:Mean Square Error) 값이 크고, 상기 구조적 유사도(SSIM:Structural Similarity Index) 값이 작을수록 유사하지 않은 이미지로 검증하는 것을 특징으로 하는 기계학습 기반 전력 설비 부분방전 발생 판별 시스템.
  8. 제 7항에 있어서,
    상기 주제어부는
    상기 군집 유사도 검증부에 의해 유사하지 않은 이미지로 검증된 경우, 타 군집과의 코사인 유사도를 재산출하는 것을 특징으로 하는 기계학습 기반 전력 설비 부분방전 발생 판별 시스템.
  9. 제 8항에 있어서,
    상기 비교 군집 형성부는
    상기 주제어부에 의한 타 군집과 코사인 유사도가 높게 산출된 경우, 유사하지 않게 분류된 이미지와, 타 군집의 이미지를 유사한 이미지로 재분류하는 것을 특징으로 하는 기계학습 기반 전력 설비 부분방전 발생 판별 시스템.
  10. 제 9항에 있어서,
    상기 부분 방전 발생원 판별부는
    최종적으로 분류된 군집의 이미지에 대해 부분방전 데이터 신호 크기와 부분방전 데이터 신호 취득 시간을 기준으로, 부분방전 크기가 가장 크게 측정된 설비를 발생원으로 분류하고, 그 외의 설비에 대해서는 유입원으로 분류하는 것을 특징으로 하는 기계학습 기반 전력 설비 부분방전 발생 판별 시스템.
  11. 제 10항에 있어서,
    상기 부분 방전 발생원 판별부는
    상기 부분방전 데이터 신호 크기가 동일한 설비들의 경우, 부분방전 데이터 신호 취득 시간이 더 먼저인 설비를 발생원으로 분류하는 것을 특징으로 하는 기계학습 기반 전력 설비 부분방전 발생 판별 시스템.
KR1020210055123A 2021-04-28 2021-04-28 기계학습 기반 전력 설비 부분방전 발생 판별 시스템 및 방법 KR102591491B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210055123A KR102591491B1 (ko) 2021-04-28 2021-04-28 기계학습 기반 전력 설비 부분방전 발생 판별 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210055123A KR102591491B1 (ko) 2021-04-28 2021-04-28 기계학습 기반 전력 설비 부분방전 발생 판별 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20220147955A KR20220147955A (ko) 2022-11-04
KR102591491B1 true KR102591491B1 (ko) 2023-10-18

Family

ID=84101509

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210055123A KR102591491B1 (ko) 2021-04-28 2021-04-28 기계학습 기반 전력 설비 부분방전 발생 판별 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102591491B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101843792B1 (ko) * 2017-06-27 2018-03-30 주식회사 제나드시스템 전력설비의 부분방전 판정방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102113218B1 (ko) * 2018-03-16 2020-05-20 울산과학기술원 시계열 데이터의 분석 및 예측을 위한 통합적인 딥러닝 시스템
KR102284958B1 (ko) * 2019-11-15 2021-08-04 한전케이디엔주식회사 부분방전 위치 추정 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101843792B1 (ko) * 2017-06-27 2018-03-30 주식회사 제나드시스템 전력설비의 부분방전 판정방법

Also Published As

Publication number Publication date
KR20220147955A (ko) 2022-11-04

Similar Documents

Publication Publication Date Title
CN112199993A (zh) 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法
CN111104906A (zh) 一种基于yolo的输电塔鸟巢故障检测方法
KR102235113B1 (ko) 송전선로의 환경침해 진단장치
CN110189344A (zh) 一种电力刀闸图像中直线段提取方法
CN107833211B (zh) 基于红外图像的零值绝缘子自动检测方法及装置
CN108734145B (zh) 一种基于密度自适应人脸表征模型的人脸识别方法
JP3058564B2 (ja) 送電線故障区間及び故障様相の評定方法
CN109993222B (zh) 数据异常检测***及方法
CN116137036B (zh) 基于机器学习的基因检测数据智能处理***
CN112395972A (zh) 一种基于无人机图像处理的电力***绝缘子串识别方法
CN109325386A (zh) 车道线检测方法、设备和计算机可读存储介质
AU2021203821A1 (en) Methods, devices, apparatuses and storage media of detecting correlated objects involved in images
KR20230009641A (ko) 구조물의 균열 탐지 방법
CN112115770A (zh) 一种用于架空线路无人机自主巡检缺陷识别的方法及***
CN114022715A (zh) 一种高压电缆终端铅封缺陷检测方法及装置
CN113203954A (zh) 一种基于时频图像处理的电池故障诊断方法
KR102591491B1 (ko) 기계학습 기반 전력 설비 부분방전 발생 판별 시스템 및 방법
KR101999797B1 (ko) 헤리스 코너 벡터 클러스터링 알고리즘을 이용한 스테레오 영상 특징점 매칭 시스템 및 방법
CN117150244B (zh) 基于电参数分析的智能配电柜状态监测方法及***
CN117239942B (zh) 一种具有监控功能的电表
CN114048546A (zh) 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法
WO2024103470A1 (zh) 自动扶梯生产用性能检测***及其方法
CN115171006B (zh) 基于深度学习的自动识别人员进入电力危险区的检测方法
CN111325708A (zh) 一种输电线路检测方法和服务器
CN111291712A (zh) 基于插值的cn和胶囊网络的森林火灾识别方法及装置

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant